Ir al contenido
σestadistica.ar

estadistica.ar · Enciclopedia de Estadística en españolhttps://estadistica.ar/conceptos/tendencia-y-extrapolacion

M04 · Índices y seriesIntermedioProcedimiento

Ajuste de tendencia y extrapolación

Cómo se ajusta una tendencia a una serie y hasta dónde se la puede proyectar, que es mucho menos de lo que parece.

Por Jorge Luis Montivero, Licenciado en Estadística · Mu3Sigma

1 · Los modelos de tendencia

ModeloFormaCuándo
LinealY=a+btY = a + btcrecimiento por una cantidad fija
ExponencialY=a ebtY = a\,e^{bt}crecimiento por un porcentaje fijo
CuadráticaY=a+bt+ct2Y = a + bt + ct^2aceleración o desaceleración
LogísticaY=K1+e−b(t−t0)Y = \dfrac{K}{1 + e^{-b(t - t_0)}}crecimiento con un techo KK
Tendencia y extrapolación: por qué un buen R² no alcanza · video, 4:30

El modelo exponencial se ajusta tomando logaritmos: ln⁡Y=ln⁡a+bt\ln Y = \ln a + bt es una recta. La logística, en cambio, necesita un ajuste no lineal, y su techo KK es lo más difícil de estimar: mientras la serie no empieza a frenar, los datos casi no dicen dónde está. Es la curva de las proyecciones de población y de la adopción de tecnologías.

Qué pasa si se elige mal

Una recta ajustada al IPC nacional, y la misma serie en logaritmos:

AjusteR2R^2Índice estimado en la baseProyección a julio de 2027
Lineal0,706−2.6409.137
Exponencial0,9195721.606

Los dos R2R^2 están medidos en la escala del índice. El de la regresión en logaritmos, que es la que se ajusta, es de 0,961, pero no se puede comparar con el de la recta: explica otra variable.

0 5.000 10.000 15.000 20.000 proyección la recta da −2.640 en la base lineal: 9.137 exponencial: 21.606 jul 2026: 12.076 2017 2019 2021 2023 2025 2027
La recta da un índice negativo en la base y proyecta para julio de 2027 menos que el valor de julio de 2026. La exponencial, ajustada en logaritmos, sigue la forma de la serie hacia atrás, pero hacia adelante repite el ritmo promedio.Fuente: INDEC, IPC nacional, base diciembre 2016 = 100. Ajustes por mínimos cuadrados.

2 · Cómo se ajusta

Es una regresión con el tiempo como variable explicativa:

Yt=a+b t+εtY_t = a + b\,t + \varepsilon_t

3 · Hasta dónde se puede extrapolar

Es la pregunta central, y la respuesta es incómoda: mucho menos de lo que sugiere el ajuste.

HorizonteConfiabilidad
1-2 períodosrazonable si la serie es estable
Un ciclo estacionalaceptable con estacionalidad estable
Varios añosespeculativa
Más allá del rango histórico de condicionessin respaldo

4 · El ejemplo, donde todo se rompe

Cualquier tendencia ajustada a las pernoctaciones hoteleras con datos hasta 2019 habría proyectado para 2020 unos valores completamente equivocados: la serie pasó de 6.284.406 en enero de 2020 a 74.247 en junio, una caída del 98,8 %.

5 · Los métodos de pronóstico

MétodoIdea
Ingenuoel próximo valor es el último
Ingenuo estacionalel próximo es el del mismo mes del año pasado
Tendencia ajustadaextrapolar la recta o la exponencial
Holt-Winterssuavizado exponencial con tendencia y estacionalidad
ARIMAmodela la autocorrelación de la serie diferenciada

ARIMA no exige que la serie original sea estacionaria: la “I” del nombre es la diferenciación que la vuelve estacionaria. Lo que tiene que serlo es la serie diferenciada.

6 · Cuál gana, en la práctica

Un ejercicio completo sobre la serie de pernoctaciones: se ajusta con 2007-2018 —144 meses— y se pronostican los doce meses de 2019, que el modelo no vio.

MétodoMAPE
Ingenuo estacional3,8 %
Tendencia lineal + estacionalidad5,1 %
Tendencia exponencial + estacionalidad5,0 %
Holt-Winters6,6 %
Tendencia lineal14,6 %
Ingenuo15,2 %

En las dos filas ”+ estacionalidad”, la tendencia se ajusta sobre la serie desestacionalizada y después se le devuelven los índices estacionales de la descomposición clásica. Ajustarla sobre la serie original, con los picos de enero adentro, da 6,5 % y 7,7 %: el orden de los pasos importa.

2 M 3 M 4 M 5 M 6 M 7 M lo que vio el modelo 2019 ene 2018 jul 2018 ene 2019 jul 2019 dic 2019 Observado (gris) Ingenuo estacional MAPE 3,8 % Tendencia lineal MAPE 14,6 % Repetir 2018 le gana a la recta por casi cuatro veces.
Repetir 2018 mes por mes le erra a 2019 por 3,8 % en promedio; la recta, que ignora la estacionalidad, por 14,6 %.Fuente: INDEC, Encuesta de Ocupación Hotelera. Ajuste con 2007-2018.

7 · Cómo se evalúa un pronóstico

Reservando datos: se ajusta con una parte de la serie y se pronostica la otra, comparando con lo observado.

MedidaQué mide
MAEerror absoluto medio, en unidades de la serie
RMSEpenaliza más los errores grandes
MAPEerror porcentual; falla si hay valores cerca de cero
MASEerror dividido por el del ingenuo; mayor que 1 es peor que el ingenuo

El MASE es la medida que mejor encaja con la lección de la sección 6: divide el error del modelo por el error medio que tuvo el ingenuo estacional dentro de la muestra de ajuste. En el ejercicio, el ingenuo estacional da 0,68 —2019 fue más regular que el promedio de 2007-2018— y Holt-Winters, 1,20: pronosticó peor de lo que suele errar repetir el año anterior. Además, no falla con valores cerca de cero.

Un solo corte, además, es una sola prueba. El ejercicio de la sección 6 depende mucho de cómo fue 2019. La versión más seria es la validación con origen móvil: ajustar hasta 2015 y pronosticar 2016, ajustar hasta 2016 y pronosticar 2017, y así, promediando los errores de todos los cortes.

Y todo pronóstico serio incluye un intervalo de predicción, que se ensancha rápidamente con el horizonte.

8 · Errores frecuentes

  • Extrapolar demasiado lejos.
  • Ajustar una recta a un crecimiento exponencial.
  • Confiar en el R2R^2 como garantía de la proyección.
  • Hacer inferencia sobre la pendiente sin corregir la autocorrelación.
  • Pronosticar sin intervalo.
  • Validar con partición aleatoria en lugar de temporal.
  • No comparar contra el método ingenuo.
  • Creer que la exponencial se puede extrapolar porque ajusta bien el pasado.
  • Comparar R2R^2 calculados en escalas distintas, como el de una regresión en logaritmos contra el de una en niveles.
  • Evaluar con un único corte y generalizar el resultado.
  • Elegir un modelo complejo sin haber probado que le gana a uno simple.
  • Modelar a través de una ruptura.

9 · En el software

# R — tendencia (no llamar t al tiempo: pisa la función t())
tiempo <- seq_along(s)
lm(s ~ tiempo)                # lineal
lm(log(s) ~ tiempo)           # exponencial

# Partición temporal, nunca aleatoria
tr <- window(s, end = c(2018, 12))
te <- window(s, start = c(2019, 1))

# Pronóstico
library(forecast)
ajuste <- auto.arima(tr)
plot(forecast(ajuste, h = 12))

hw <- HoltWinters(tr)         # suavizado exponencial
snaive(tr, h = 12)            # la referencia obligatoria

accuracy(forecast(ajuste, h = 12), te)   # incluye MAPE y MASE
accuracy(snaive(tr, h = 12), te)

# Validación con origen móvil
tsCV(s, snaive, h = 12)
# Python
import numpy as np

# Tendencia lineal y exponencial
tiempo = np.arange(len(tr))
b, a = np.polyfit(tiempo, tr.values, 1)
bl, al = np.polyfit(tiempo, np.log(tr.values), 1)

from statsmodels.tsa.holtwinters import ExponentialSmoothing
hw = ExponentialSmoothing(tr, trend='add', seasonal='mul',
                          seasonal_periods=12).fit().forecast(12)

from statsmodels.tsa.arima.model import ARIMA
ARIMA(tr, order=(1, 1, 1), seasonal_order=(0, 1, 1, 12)).fit().forecast(12)

# El ingenuo estacional, contra el que hay que comparar
ingenuo = tr.iloc[-12:].values

mape = lambda p: np.mean(np.abs((te.values - p) / te.values)) * 100
mape(ingenuo), mape(hw.values)
Excel:  =TENDENCIA(B2:B145;A2:A145;A146:A157)     tendencia lineal
        =CRECIMIENTO(B2:B145;A2:A145;A146:A157)   tendencia exponencial
        =PRONOSTICO.ETS(A146;B2:B145;A2:A145;12)  suavizado exponencial
                                                  con estacionalidad 12
SPSS:   Analizar › Pronósticos › Crear modelos tradicionales

Herramientas de este tema

Seguir leyendo

Cómo citar: Montivero, J. L. (2026). Ajuste de tendencia y extrapolación. estadistica.ar. https://estadistica.ar/conceptos/tendencia-y-extrapolacion

estadistica.ar es gratuita y sin publicidad. Si te sirvió, podés invitar un cafecito por transferencia al alias mu3sigma. Asesoramiento estadístico, encuestas y capacitaciones: m3s.pro · WhatsApp +54 9 383 499-7929.

Cómo citar esta entrada

APA (7.ª edición)

Montivero, J. L. (2026). Ajuste de tendencia y extrapolación. estadistica.ar. https://estadistica.ar/conceptos/tendencia-y-extrapolacion

BibTeX

@misc{estadistica_ar_tendencia_y_extrapolacion,
  author       = {Montivero, Jorge Luis},
  title        = {{Ajuste de tendencia y extrapolación}},
  year         = {2026},
  howpublished = {\url{https://estadistica.ar/conceptos/tendencia-y-extrapolacion}},
  note         = {estadistica.ar. Consultado el \today},
  urldate      = {2026-11-11}
}

Última actualización: 11 de noviembre de 2026. El contenido está bajo licencia CC BY-NC-SA 4.0: se puede reutilizar citando la fuente y sin fines comerciales.